手动分割 这项工作是出于实践目的而完成的。 网络 在Pytorch中自定义实施 。 仅用于一个输出类。 用于最后提交的模型存储在MODEL.pth文件中。 它已通过上提供的模型进行了预培训，但该模型最初用于汽车细分。 在来自GTEA_gaze数据集的一部分图像上，模型的得分为0.90。 pytorch版本：0.3.1 要回滚pytorch，您只能使用 “ pip卸载火炬” “ pip install火炬== 0.3.1” 用法 测试 尝试“ python test.py -h”以查看更多选项。 只需测试一张图像并通过运行即可重命名输出 “ python test.py -i test1.jpg -o ouput1.jpg” 通过运行测试多个图像 “ python test.py -i test1.jpg test2.jpg --model MODEL.pth” 通过运行在绘图中

train:20 test:20

深入了解消费者购买行为异质性的一种广泛使用的方法是市场细分。 传统的市场细分模型常常忽略消费者行为可能随时间演变的事实。 因此，零售商消耗有限的资源试图为无利可图的消费者提供服务。 本研究调查了科威特国一家中型零售商的增强新近度、频率、货币 (RFM) 分数和消费者终身价值 (CLV) 矩阵之间的整合。 修改后的回归算法调查消费者购买趋势，从销售点数据仓库中获取知识。 此外，本研究应用增强正态分布公式去除异常值，然后采用软聚类模糊 C 均值和硬聚类期望最大化 (EM) 算法对消费者购买行为进行分析。 使用集群质量评估表明，EM 算法的扩展性比模糊 C 均值算法好得多，因为它能够在较小的数据集中分配良好的初始点

血管分割 1.0.0版从光声图像中分割血管结构并进行可靠性评估 网络： ：//math.tut.fi/inversegroup/出版物：P.Raumonen和T.Tarvainen（2018）：“通过光声图像对血管结构进行分割并进行可靠性评估”，已提交给Biomedical Optics Express 。 血管分割是用Matlab编写的。 主要功能是vessel_segmentation.m ，它包含一个数字3D数组（光声图像）和一个可选的结构数组，用于指定所需的输入参数，可以使用脚本define_inputs.m对其进行定义。 有关更多详细信息，请参阅特定功能的帮助文档。

NLPCC2016-WordSeg-微博 NLPCC 2016微博分词评估项目 ##任务说明 单词是自然语言理解的基本单元。 但是，中文句子由连续的汉字组成，没有自然的分隔符。 因此，中文分词已成为中文自然语言处理的首要任务，它可以识别句子中单词的顺序并标记单词之间的边界。 与流行的二手新闻数据集不同，我们使用了来自新浪微博的更多非正式文章。 培训和测试数据包含来自各个主题的微博，例如金融，体育，娱乐等。 每个参与者都可以提交三个运行：封闭式运行，半开放式运行和开放式运行。 在封闭的轨道上，参与者只能使用在提供的培训数据中找到的信息。 排除了诸如从外部获得的字数，部分语音信息或姓名列表之类的信息。 在半公开赛道中，除了提供的训练数据之外，参与者还可以使用从提供的背景数据中提取的信息。 排除了诸如从外部获得的字数，部分语音信息或姓名列表之类的信息。 在公开赛道上，参与者可以使用应该

伪装物体检测（CVPR2020-Oral） 作者：，，，，，。 0.前言 欢迎加入COD社区！ 我们在微信中创建了一个群聊，您可以通过添加联系人（微信ID：CVer222）来加入。 请附上您的从属关系。 该存储库包括详细的介绍，强大的基准（搜索和识别网，SINet）以及用于伪装目标检测（COD）的一键评估代码。 有关伪装物体检测的更多信息，请访问我们的并阅读 / 。 如果您对我们的论文有任何疑问，请随时通过电子邮件与或。 如果您使用SINet或评估工具箱进行研究，请引用本文（ ） 0.1。 :fire: 消息 :fire: [2020/10/22] :collision: 可以通过电子邮件（ ）提供培训代码。 请提供您的姓名和机构。 请注意，该代码只能用于研究目的。 [2020/11/21]已更新评估工具：Bi_cam（cam> threshold）= 1-> Bi_cam（cam> = threshold

SharpNLP是C#实现的一个开源的自然语言处理工具集，它提供了如下功能： * 句子分割 * 分词 * 词性标注（POS tagging） * a chunker (used to "find non-recursive syntactic annotations such as noun phrase chunks") * a parser * a name finder * a coreference tool * 访问wordent数据库的借口

isodata的matlab代码博客reitna-segmentation 视网膜图像分割提取血管复杂结构 详情见： 用法：运行 mainDemo.m 步骤 1：从文件夹“retina_images\1.tif”读取 matlab 工作区中的视网膜图像。 步骤 2：将分割算法应用于输入的视网膜图像。 ISODATA算法用于从视网膜图像中分割血管。 使用迭代 isodata 方法的 ISODATA 计算全局图像阈值。 LEVEL = ISODATA(I) 计算可用于将强度图像转换为具有 IM2BW 的二值图像的全局阈值 (LEVEL)。 LEVEL 是一个归一化的强度值，位于 [0, 1] 范围内。 这种选择阈值的迭代技术是由 Ridler 和 Calvard 开发的。 视网膜分割图像： 步骤 3：加载真实图像（label_images/1.tif）以比较分割算法的结果。 现在我们有两个图像。 即一个是ground truth，另一个是分割结果。 为了比较算法的性能，我们计算了“真视网膜”和“假视网膜”以及“真背景”和“假背景”。 以下代码部分显示了上述参数的计算 number_of_p

指甲分割 迷你U网络进行指甲分割 我已经实现了CNN，用于在蒙版标签的指甲上进行图像分割- 在训练过程中，我监控了预测的

Customer-segmentation:用于银行客户细分的无监督机器学习项目